STS-CCL：面向城市交通预测的空间-时间同步上下文对比学习
机器学习
2023-12-19 v2 人工智能
摘要
从大规模无标签交通数据中高效捕获复杂的时空表示仍是一项具有挑战性的任务。鉴于此困境，本文采用先进的对比学习并提出一种新颖的空间-时间同步上下文对比学习（STS-CCL）模型。首先，我们精心设计了针对时空图数据的基础与强增强方法，不仅从图结构和时间特征方面扰动数据，还采用基于学习的动态图视图生成器进行自适应增强。其次，我们引入空间-时间同步对比模块（STS-CM）以同时捕获良好的空间-时间依赖关系并实现图级对比。为在负样本过滤中进一步区分节点个体，基于语义特征与空间异质性设计了一种语义上下文对比方法，实现节点级对比学习及负样本过滤。最后，我们提出一种困难互视图对比训练方案，并将经典对比损失扩展为集成目标函数，从而获得更优性能。大量实验与评估表明，在STS-CCL对比学习模型上构建预测器比现有交通预测基准取得更优性能。所提STS-CCL非常适用于仅含少量标签数据的大规模数据集以及其他存在数据稀缺问题的时空任务。
引用
@article{arxiv.2307.02507,
title = {STS-CCL: Spatial-Temporal Synchronous Contextual Contrastive Learning for Urban Traffic Forecasting},
author = {Lincan Li and Kaixiang Yang and Fengji Luo and Jichao Bi},
journal= {arXiv preprint arXiv:2307.02507},
year = {2023}
}
备注
This work was accepted by the 49th IEEE International Conference on Acoustics, Speech, & Signal Processing (ICASSP 2024). We will present our work in Seoul, Korea